中国科学技术大学

一种名为VideoWorld的模型无需依赖语言模型，仅通过视觉信号学习知识、认知世界，并能执行复杂任务。它利用潜在动态模型高效压缩视频帧间的视觉变化信息，显著提升知识学习效率和效果。